Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENIERIA
ECUACIONES ESTRUCTURALES
ESTADISTICA Y PROBABILIDADES
Realizado por:
Docente:
Dr. Luis López Puican
Año/Semestre:
7mo Semestre
Tacna-Perú
2019
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
INTRODUCCIÓN
ESTADISTICA Y PROBABILIDADES 2
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
En este ejemplo el modelo de medida está compuesto por tres variables latentes y
nueve indicadores. La literatura sugiere (por ejemplo, Bollen, 1989) que lo ideal
sería que cada uno de los indicadores fuesen medidas independientes (test o
cuestionarios), que en combinación son representativos del constructor propuesto.
Modelo de Medida y Estructural
En el modelo de ecuaciones estructurales se pueden identificar dos componentes
principales:
a) Un modelo de medida que representa las relaciones de las variables latentes (o
constructos) con sus indicadores (o variables empíricas),
b) El modelo estructural donde se describe la interrelación entre los constructos. El
modelo de medida permite al investigador usar varias variables (indicadores), para
una única variable latente dependiente o independiente.
El objetivo fundamental del modelo de medida es corroborar la idoneidad de los
indicadores seleccionados en la medición de los constructos de interés, es decir,
que el investigador evalúe qué tan bien las variables observadas combinan
(cavarían o correlacionan) para identificar el constructo hipotético.
ESTADISTICA Y PROBABILIDADES 3
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 4
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
EJEMPLO 2
ESTADISTICA Y PROBABILIDADES 5
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
a) La especificación
b) Identificación
c) Estimación de parámetros
d) Evaluación del ajuste
e) Reespecificación del modelo
f) La interpretación de resultados que lo conforman
A) LA ESPECIFICACIÓN:
En esta fase el investigador aplica sus conocimientos teóricos del fenómeno estudiado
al
planteamiento de las ecuaciones matemáticas relativas a los efectos causales de las
variables latentes y a las expresiones que las relacionan con los indicadores o variables
observables. Esta distinción es importante porque cualquier relación entre variables, sin
especificar por el investigador, se asume que es igual a cero. En la figura 2, la relación
directa entre expectativa de resultados y el rendimiento académico es igual a cero,
aunque la relación entre estas dos variables es mediada por Las metas de rendimiento.
La especificación errónea en este modelo existirá si el mediador (metas de rendimiento)
no explica completamente la relación entre las expectativas de resultados y el
rendimiento académico. Además, en esta etapa, se formulan enunciados sobre el
conjunto de parámetros, decidiendo entre los que serán libres para ser estimados o fijos,
a los que se les asignará un valor dado, normalmente cero. Asimismo, se especifican
los supuestos estadísticos sobre las fuentes de variación y en concreto sobre la forma
de distribución conjunta, que en la mayoría de las técnicas empleadas se considera
normalidad multivariante. La claridad del modelo viene determinada por el grado de
conocimiento
teórico que posea el investigador sobre el tema de estudio. En efecto, si la información
es poco exhaustiva o detallada, la asignación de los parámetros será confusa a príori,
por lo que el investigador deberá realizar luego diversas modificaciones, contemplando
principalmente los aspectos teóricos.
ESTADISTICA Y PROBABILIDADES 6
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
B) EN LA FASE DE IDENTIFICACIÓN:
Se espera que los grados de libertad del modelo deban ser mayores o iguales a cero.
Esto
corresponde a lo que se denomina como modelo identificado o modelo sobre
identificado. Un modelo identificado tiene exactamente cero grados de libertad (gl=0).
Aunque esto ofrece un ajuste perfecto del modelo, la solución no tiene interés puesto
que no se puede generalizar. Un modelo sobre identificado es el objetivo de todos los
modelos de ecuaciones estructurales. Tiene más información en la matriz de datos que
el número de parámetros a estimar, lo que significa que tiene un número positivo de
grados de libertad (gl>0). Al igual que otras técnicas multivariantes, el investigador sé
esfuerza por conseguir un ajuste aceptable con el mayor grado de libertad posible. Esto
asegura que el modelo sea tan generalizable como sea posible. Finalmente, un modelo
infraestimado tiene grados de libertad negativo (gl<0), lo que significa que se intentan
estimar más parámetros de los que permite la información disponible.Al aplicar esta
revisión de identificación al modelo de la FÍgura 2, se evidencia que hay 11 variables
observadas (66 elementos conocidos en la matriz de covarianza; (11 x [11+1])/2= 66), y
hemos especificado 10 parámetros para ser estimados que están destacados con
asteriscos. Restando los 10 parámetros a estimar de los 66 parámetros conocidos revela
que para este modelo hay 56 grados de libertad. En resumen, mientras más grados de
libertad, más parsimonioso es el modelo. Así, cuando un modelo es parsimonioso se
ajusta bien a los datos, el investigador puede demostrar que las asociaciones entre
variables observadas y latentes son más importantes.
ESTADISTICA Y PROBABILIDADES 7
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
C) ESTIMACIÓN DE PARÁMETROS:
se refiere a la exactitud en los datos del modelo para determinar si es correcto y sirve
para los propósitos del investigador. Las medidas de calidad del ajuste pueden ser de
tres tipos:
1. medidas absolutas del ajuste que evalúan el ajuste global del modelo
2. medidas del ajuste incremental que comparan el modelo propuesto con otros
modelos especificados por el investigador
3. medidas del ajuste de parsimonia, que ajustan las medidas de ajuste para ofrecer
una comparación entre modelos con diferentes números de coeficientes estimados,
siendo su propósito determinar la cantidad del ajuste conseguido por cada coeficiente
estimado (Hair et al., 1995).
En este punto se emplean indicadores para evaluar el ajuste del modelo (Hu & Bentler,
1995). El más utilizado es cuando pvalue > 0.05 y el RMSEA (error cuadrático medio de
aproximación) < 0.05 (Tabachnick & Fidell, 2001).
ESTADISTICA Y PROBABILIDADES 8
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 9
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
AMOS
es un sistema global para el análisis estadístico de datos y con el que se pueden adquirir
datos de casi cualquier tipo de archivo y utilizarlos para generar informes tabulares,
gráficos y diagramas de distribuciones y tendencias, estadísticos descriptivos y análisis
estadísticos complejos, permitiendo que el análisis estadístico sea accesible a
cualquiera que lo necesite (Pardo y Ruiz, 2002). Se puede emplear de manera
interactiva o procesando muchas tareas a la vez. El trabajo interactivo se realiza a través
del cuadro de dialogo que contiene los aspectos más importantes de la tarea que se
vaya a realizar. Esta organizado a base de comandos, como elementos de un lenguaje.
Dichos comandos pueden ser generales o de aplicaciones estadísticas (Camacho,
2006).
LISREL
EQS
(Abreviatura de Equations)
creado por Bentler (1985), tiene gran aceptación entre los investigadores que trabajan
con modelos de ecuaciones estructurales ya que tiene una alta precisión en la bondad
de ajuste.
ESTADISTICA Y PROBABILIDADES 10
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
En el área de calidad, Cuautle (2010) utiliza estos modelos para proponer un modelo de
gestión integral para las empresas mexicanas de manufactura. Relacionado a la
transferencia del conocimiento, tanto Maynez (2011) como Mejía y Cornejo (2010)
utilizan estos modelos en sus respectivas investigaciones de doctorado.
El análisis factorial se utiliza para reducir y resumir los datos que se están analizando,
eliminando las dependencias o independencias de los datos. De igual manera se utiliza
para “identificar factores que explican las correlaciones entre las variables” (Cuautle,
2010), siendo que en este tipo de análisis todas las variables son iguales, o sea
independientes, lo que significa que ninguna variable es más o menos que otra
(Gorsuch, 1983). Al tener la información requerida, es necesario calcular un conjunto
de dimensiones latentes llamadas factores, con los que se explican dichas relaciones.
Por lo tanto, el análisis factorial es una técnica de reducción de datos con la que se
pueden probar las hipótesis planteadas.
ESTADISTICA Y PROBABILIDADES 11
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
EJERCICIO
En este ejemplo hemos modelizado los factores que explican que los bancos divulguen
sus cuentas anuales en Internet, es decir sean transparentes.
PROCEDIMIENTO:
A. MODELO
Pensamos que un factor explicativo puede ser el tamaño, otro la visibilidad en Internet
(aquellas que sean muy populares) y finalmente si lo hacen bien (por ejemplo, en
términos de rentabilidad) tendrá más aliciente para divulgar la información. Es decir, una
entidad grande, que tiene buenos resultados financieros y que haya hecho una mayor
apuesta por Internet será más tendente a revelar información por este medio.
UTILIZANDO SMARTPLS.
ESTADISTICA Y PROBABILIDADES 12
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
VARIABLES LATENTES:
NOMBRAMOS:
ESTADISTICA Y PROBABILIDADES 13
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 14
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 15
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
B. HIPOTESIS
El uso de Internet:
C. DATOS E INDICADORES
Los datos utilizados para este ejemplo y los indicadores relacionados a las variables
latentes o también llamados constructos, serán puestos a continuación:
ESTADISTICA Y PROBABILIDADES 16
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 17
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
UNIDIMENSIONALIDAD:
En primer lugar, se comprueba que los indicadores que integran cada constructo son
unidimensionales. Se realiza un análisis de componentes principales para cada
constructo y se aplica el criterio de Kaiser (1960), es decir que solo para el primer
componente principal el valor propio es mayor que 1. Jolliffe (1972) sugiere un valor de
0.8. Se realizan tantos análisis de componentes principales como constructos. Otro dato
relevante es el porcentaje de varianza explicada. En este caso se espera que el primer
componente explique la mayor parte de la varianza.
ESTADISTICA Y PROBABILIDADES 18
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
FIABILIDAD
ESTADISTICA Y PROBABILIDADES 19
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 20
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
VALIDEZ CONVERGENTE
ESTADISTICA Y PROBABILIDADES 21
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
VALIDEZ DISCRIMINANTE
ESTADISTICA Y PROBABILIDADES 22
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
ESTADISTICA Y PROBABILIDADES 23
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
Los datos sí que aceptan la relación entre tamaño y visibilidad en Internet, la hipótesis
4a. No se acepta la hipótesis 4b que relaciona "performance financiera" con "visibilidad
en Internet" al presentar un path coefficient de 0.0459.
ESTADISTICA Y PROBABILIDADES 24
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN
FACULTAD DE INGENIERÍA ESCUELA DE INGENIERIA DE MINAS
BIBLIOGRAFIA
http://riem.facmed.unam.mx/node/729
http://www.revistaeducacion.mec.es/re335/re335_24.pdf
http://www.slideshare.net/vassy/unidad-2-modelos-de-ecuaciones-estructurales-
por-el-mtodo-de-minimos-cuadrados-parciales
http://www.youtube.com/watch?v=kwrt6y2aqm
http://www.youtube.com/watch?v=fp17zl8e2ao
http://www.youtube.com/watch?v=u0ospqurg8-g
ESTADISTICA Y PROBABILIDADES 25